用途
context-engineering 提供系统性的策略，用于优化 Claude Code 的上下文窗口使用。它帮助用户监控 token 消耗、减少上下文负载、设计上下文高效的技能，并应用经过验证的优化模式。其目的是在管理 token 成本、保持对话质量的同时，最大化 Claude Code 的效果。
主要能力：五个上下文优化操作
操作 1：监控上下文使用
用于跟踪 token 消耗、识别占用上下文较多的元素并发现优化机会。适用时机包括：优化工作开始时（基线测量）、开发过程中（持续监控）、接近上下文限制时（使用率 >60-70%）、排查性能问题时。
流程：使用 Claude Code 的 /context 命令查看已用总 token、上下文窗口百分比、已加载文件、近期工具调用；识别重度消耗者（单个超过 5,000 token 的大文件、冗长的对话历史、大量工具调用结果、大型 CLAUDE.md 文件）；分析使用模式（哪些文件加载了但很少被引用、工具结果是否仍然相关、对话历史是否必要、是否存在重复或冗余上下文）；记录基线；设定优化目标。
输出：当前上下文使用指标、上下文重度元素列表、基线测量、优化目标、优先优化机会。时间估计：10-15 分钟。
操作 2：减少上下文负载
用于移除陈旧内容、最小化已加载文件并降低 token 消耗。适用时机：上下文使用率 >70%、注意到性能下降、重大操作前（腾出空间）、定期维护（每隔几小时）。
流程：移除陈旧的工具结果（探索性工作的结果、已被取代的信息）；最小化文件加载（只加载当前需要的文件，搜索时用 Grep 而非 Read，加载特定片段而非整个文件，用完即卸载）；优化对话历史（上下文编辑自动清除陈旧内容，必要时总结长对话，新的大型任务开启新会话）；缩减 CLAUDE.md 大小（只保留必要的长期指令，项目特定细节移到单独文件，临时偏好使用 CLAUDE.local.md，目标 <5,000 token）；应用渐进式加载（先加载概览/索引文件，仅在需要时加载详细参考，使用技能的 references/ 按需加载）。
输出：降低后的 token 数、更干净的上下文窗口、被移除/优化元素列表、新的上下文使用测量。时间估计：15-30 分钟。
操作 3：优化技能设计
用于通过渐进式披露、懒加载和 token 感知架构设计上下文高效的技能。适用时机：规划新技能、重构现有技能、构建大型/复杂技能、创建技能生态。
流程：应用渐进式披露（SKILL.md 只含概览与要点，<1,200 行，约 3,000-5,000 token；references/ 存放按需加载的详细指南，每个 300-600 行，约 1,000-2,000 token；scripts/ 在需要时加载自动化脚本。相比单体式设计可减少 70-80% token）；为懒加载而设计（内容拆分为聚焦的参考文件，每个文件覆盖一个主题，加载特定参考而非整个技能）；优化文件大小（SKILL.md 目标 800-1,200 行，参考文件 300-600 行）；使用 token 高效格式（表格代替散文、列表代替段落、代码块用于示例、快速参考章节）；考虑上下文预算（简单技能 3,000-8,000 token，中等技能 10,000-20,000 token，复杂技能 25,000-40,000 token）。
输出：上下文高效的技能设计、token 预算估算、渐进式披露计划、参考文件组织。时间估计：20-40 分钟（规划阶段）。
操作 4：分离规划与执行
用于通过将探索性规划与聚焦实现分离，保持执行上下文干净。适用时机：开始复杂开发工作、上下文因探索而变得杂乱、需要干净的上下文进行实现、关键/聚焦工作之前。
流程：规划阶段（独立会话）进行广泛的代码库探索、研究与模式发现、架构决策、任务分解，输出计划文档和任务列表，特点是高上下文使用、探索性、广泛；执行阶段（全新会话）加载计划文档（而非探索历史）、聚焦实现、特定文件操作、最小上下文膨胀，特点是干净上下文、聚焦、高效；会话过渡时结束规划会话、保存规划产物、开启新会话执行、只加载计划文档、CLAUDE.md 和直接依赖；保持干净的执行上下文（执行期间不重新探索、遵循计划不重新研究、按需加载文件用完卸载、保持对实现的聚焦）。
输出：干净的执行上下文、聚焦的实现、减少的上下文膨胀、更好的性能与质量。
操作 5：基于文件的优化
用于将大数据外部化到临时文件以便按需分析，实现 95% 的 token 节省。适用时机：处理大型数据集（>5,000 token）、处理大量输出（日志、报告）、处理大型 MCP 响应、管理生成内容。
流程：识别大数据（>5,000 token，通常 >10,000 字符；重复引用同一大内容；大量生成输出；大型 MCP 服务器响应）；外部化到文件（例如 echo "large data here" > /tmp/large-data.txt，而非保留在对话上下文中）；引用文件而非内容（如“大型数据集已保存至：/tmp/analysis-data.json（50,000 token）”，需要时再读取）；按需加载（仅在需要特定分析时读取文件，必要时分块处理，不在上下文中保留完整内容）；清理临时文件。
输出：外部化的数据文件、文件路径引用、显著的 token 节省（通常 90-95%）、保持的数据可访问性。时间估计：10-20 分钟。
使用方式
该技能以操作流程和检查清单的形式组织，每个操作包含目的、适用时机、流程、验证清单、输出和时间估计。使用时通过 Claude Code 的 /context 命令监控上下文，按需应用五个操作。资料中给出的示例命令包括：
echo "large data here" > /tmp/large-data.txt
适用场景
- 接近上下文限制（使用率 >60-70%）
- 构建大型技能（文档量大，需要高效加载策略）
- token 成本管理
- 多轮对话（在长时间会话中保持连贯）
- 技能设计阶段（从一开始规划上下文高效架构）
- 性能优化（改善响应质量与延迟）
- 对话质量（防止漂移、保持聚焦）
- MCP 集成（管理来自 Model Context Protocol 服务器的上下文）
- 大数据处理（处理大量数据集或输出）
前置条件
- 理解 Claude 上下文窗口
- 可访问上下文监控（Claude Code /context 命令）
- 熟悉渐进式披露模式
- 正在开发或优化的技能
上下文窗口大小（2025）
- Sonnet 4/4.5：200k token（标准），500k-1M（Tier 4 测试版）
- 自动压缩：约 80% 使用率时触发（200k 窗口约 160k）
最佳实践
- 质量优于数量：聚焦相关、高质量的上下文，而非加载一切。
- 始终使用渐进式披露：所有技能采用 SKILL.md + references/ 模式。
- 定期监控：在长时间会话中定期检查上下文使用，活跃开发中每 30-60 分钟检查一次 /context。
- 大数据使用基于文件的方式：将 >5,000 token 的数据外部化到文件。
- 分离规划与执行：在一个会话中规划，在干净会话中执行。
- 关键工作前清理上下文。
- 使用合适的工具：搜索用 Grep 而非 Read，查找文件用 Glob，探索用 Task agents。
- 优化 CLAUDE.md：保持简洁（<5,000 token），必要时拆分。
限制
资料未提供该技能的具体安装命令、支持的平台范围、收费或价格信息，这些内容暂未提供。资料中引用的性能提升（29-39%）、token 节省（95%）等数据来自其所述的研究发现，具体适用条件未详细说明。